[发明专利]基于时域特征与XGBoost的超短期风电功率预测方法

说明书

本发明公开了一种基于时域特征与XGBoost的超短期风电功率预测方法，根据风场环境中的风速、风速变化率、风向、气压、温度、湿度等影响因素，通过机器学习的方法对特征进行分类、标记，并进行归一化和向量化表示，使其在风环境空间中具有领域特征信息，之后再利用机器学习算法对表示后的特征进行模型训练，找出对风电功率影响最大的风环境特征集合及其对风电功率的影响系数，之后利用集成学习的方法将各特征融入进模型对风电的超短期功率进行预测，根据k折交叉验证方法找出使得预测结果的均方根误差及平均绝对误差最小的模型，最终形成预测模型。将影响风电功率的因素从五个维度，四个方向进行分解，对影响因素的特征实现了精细化和充分的拓展和挖掘。

技术领域

本发明涉及新能源发电领域，更具体地说是一种基于时域特征与XGBoost的超短期风电功率预测方法。

背景技术

风电现己成为中国第三大电源，是新能源发电领域最成熟、最具规模开发条件和商业化发展前景的发电方式之一。但是风电功率与风场环境，尤其与风速是强相关关系，由于风速具有波动性、不确定性，从而导致风电机组的输出功率也是具有强波动性和不确定性。波动剧烈的风电一旦连接并网将会对电网产生较大的冲击，对电力系统的可靠性带来严峻挑战。

风电作为电力系统的一个不稳定电源，具有能量密度低、分布不均匀，随机、间歇和不可控等特点。为了降低风电可靠性低的风险，应对电力系统的调峰、调频压力，实现更高效的风电消纳，以缓解大规模风电并网引起的电能质量低、电压控制频繁、有功调度难和系统稳定性低等问题，有效提升风力发电的负荷预测精度变得日益重要。准确的风电功率预测，尤其是短期及超短期的功率预测对风电的可持续性开发利用意义重大，是新能源产业发展和保障大规模电网可靠性运行和有序升级改造的重要前提和保障。

发明内容

为了克服现有技术的上述缺陷，本发明根据风电功率预测精度日益提高的实际需要，根据风场环境中的风速、风速变化率、风向、温度、湿度、气压等影响因素，提出一种基于XBboost和风场环境时域挖掘的集成学习算法，通过对时域数据进行分类筛选，得出对风电功率影响最大的环境因素，然后结合历史风电功率特征进行超短期的风电功率预测。

一种基于时域特征与XGBoost的超短期风电功率预测方法,，步骤如下：

第一步：原始数据预处理

根据风场环境中的风速、风速变化率、风向、气压、温度、湿度等影响因素，通过机器学习的方法对特征进行分类、标记，并进行归一化和向量化表示，使其在风环境空间中具有领域特征信息；

所述原始数据预处理的具体的步骤包括：将原始数据中的缺失值补全，可以采用平均值法和固定值法；数据中的重复值、冗余值识别和删除；数据中的错误值识别和纠错，可以采用异常值识别方法，然后再采用缺失值补全的方法将纠错的新值插入；最后是对不同维度的数据进行归一化，常用的方法通过计算各维度数据的最大最小值，并对数据进行0-1映射，从而得到0-1空间中的数据表示。

第二步：数据分析和特征挖掘

利用机器学习算法对表示后的特征进行模型训练，找出对风电功率影响最大的风环境特征集合及其对风电功率的影响系数，

数据的特征工程包括：数据的特征识别、特征提取、特征表示和特征分类。风电场采集的数据包括气象数据、历史功率数据、风机的状态数据等多类型数据，具有多维度、大规模和高时序性的特点。不同类型的数据具有不同的特征，对于数据特征的识别和提取需要依据数据代表的具体信息进行特征识别和提取，之后利用机器学习的算法实现特征的自动化分类。例如，对其中的气象数据从不同高度风速、不同高度风向进行特征表示和拓展表示，形成不同高度风速、不同高度不同时间范围内平均风速、不同高度风速变化率、不同高度风向对不同高度风速的影响等多个维度的特征。最终形成，历史气象数据、风机状态数据、历史功率数据、风场环境数据、地理环境数据五个维度，并从时序性、变化性、内部交互性和外部交互性四个方向拓展的特征挖掘，将原始数据进行特征化表示，形成分类型的特征表示矩阵。